Qualificação 1

Universidade Federal de Uberlndia Coordenao do Programa de Ps Graduao em Engenharia Mecnica
Relatrio de Qualificao
Otimizao Robusta Multiobjetivo para o Projeto de Sistemas de Engenharia
Autor: Fernando Ricardo Moreira Orientador: Prof. Dr. Valder Steffen Jr Co-Orientador: Prof. Dr. Fran Srgio Lobato
Relatrio a ser apresentado Universidade Federal de Uberlndia como parte dos requisitos para obteno do ttulo de Doutor em Engenharia Mecnica.

Relatrio a ser apresentado ao Programa de Ps-graduao em Engenharia Mecnica da Universidade Federal de Uberlndia, como parte dos requisitos para obteno do ttulo de DOUTOR EM ENGENHARIA MECNICA.
rea de Concentrao: Mecnica dos Slidos e Vibraes.
Orientador: Prof. Dr. Valder Steffen Jr. Co-Orientador: Prof. Dr. Fran Srgio Lobato
_______________________________ Orientado: Fernando Ricardo Moreira
____________________________________ Co-Orientador: Prof. Dr. Fran Srgio Lobato
______________________________________ Orientador: Prof. Dr. Valder Steffen Jr.
UBERLNDIA - MG
2
Sumrio
Resumo .............................................................................................................................................4 1 Introduo ......................................................................................................................................5 2 Otimizao Multiobjetivo ..............................................................................................................7 3 Otimizao Robusta.....................................................................................................................10 3.1 Medidas de Robustez ............................................................................................................12 3.1.1 Estimativa para Medidas de Robustez ...........................................................................12 3.2 Definio de Soluo para um Problema Multiobjetivo Robusto .......................................13 4 Algoritmo de Otimizao baseado em Colnia de Vagalumes ...................................................15 4.1 O Algoritmo FireFly .....................................................................................................16 5 Problemas Testes ......................................................................................................................... 18 6 Resultados da Simulao ............................................................................................................19 6.1 Resultados do Problema (1) .......................................................................................... 21 6.2 Resultados do Problema (2) ......................................................................................... 22 6.2 Resultados do Problema (3) .......................................................................................... 24 7 Objetivos da Tese ........................................................................................................................ 26 7.1 Objetivo Geral ..............................................................................................................26 7.2 Objetivos Especficos ...................................................................................................26 8 Sntese dos Principais Resultados Obtidos at o Momento ......................................................... 27 9 Dificuldades Encontradas ............................................................................................................27 10 Etapas Desenvolvidas e Cronograma Atualizado .....................................................................28 10.1 Etapas Desenvolvidas .................................................................................................28 10.2 Cronograma Atualizado das Etapas a serem Desenvolvidas ......................................29 Referncias Bibliogrficas .............................................................................................................31 Apndice .........................................................................................................................................34 Apndice A Etapas e Cronograma originais do Plano de Tese .......................................34
Resumo A otimizao est presente nas mais diversas reas e aparece com frequncia nos problemas mais variados de engenharia. medida que o conhecimento matemtico foi sendo aprimorado (ferramentas tericas) e a disponibilidade e qualidade de recursos computacionais (ferramentas numricas) aumentou, ento, paralelamente, a complexidade de problemas de otimizao possveis de serem considerados tambm evoluiu. A necessidade do atendimento de vrios objetivos simultaneamente levou a comunidade acadmica a estender conceitos e definir outros referentes otimizao mono-objetivo, criando assim uma teoria consistente para problemas de otimizao multiobjetivos. Porm, natural pensar que uma soluo terica, na grande maioria dos casos, no possa ser implementada na prtica devido existncia de tolerncias de fabricao ou devido impreciso de atuadores (caso de sistemas controlados), por exemplo. Assim, caso os objetivos sejam muito sensveis em torno da soluo terica, prefervel uma soluo sub-tima estvel em detrimento de uma soluo que, apesar de tima, instvel. Assim, a otimizao robusta multiobjetivo representa atualmente um papel fundamental na rea de otimizao de projetos em engenharia, pois de grande importncia considerar imprecises nas variveis de projeto e nos parmetros associados aos objetivos pretendidos. Sendo assim, faz-se necessrio um amplo estudo das estratgias de incorporar e medir as incertezas associadas s variveis e parmetros, alm do desenvolvimento de uma ferramenta computacional que seja capaz de resolver problemas de otimizao multiobjetivos robustos. Palavras Chave Otimizao Multiobjetivo Robusta, Hipercubo Latino, Vagalumes.
1 Introduo A origem de problemas de otimizao muito remota e anterior ao desenvolvimento de ferramentas computacionais e matemticas para a sua resoluo. Podemos citar como exemplo o problema de se encontrar qual a maior rea que pode ser cercada por uma conhecida quantidade de corda (Problema da Princesa Dido). Na obra Eneida de Viglio, encontramos uma referncia a este problema: No sculo IX antes de Cristo, a princesa fencia Dido, chegando s terras do norte da frica junto com seu irmo Pigmalio, fizeram um acordo com os habitantes locais. Ao querer a princesa Dido comprar terra para se estabelecer com seu povo, o rei daquele lugar somente lhe permitiu comprar a parcela de terra que poderia ser cercada pela pele de um touro. Neste caso, a princesa Dido cortou a pele em pequenas tiras formando uma larga corda (entre 1000 a 2000 metros) e a disps de maneira que cobrisse a maior parte de terreno possvel.... A rea que a princesa cercou tinha o formato de um crculo. Em 1870, o matemtico K. Weirstrass apresentou uma soluo para o problema baseando-se no Clculo Variacional (Moreira; Saldanha (1993); Figueiredo (1989)). Outro problema bastante interessante que tambm envolve otimizao o Problema da Braquistcrona, do grego brakhisto (o mais curto) e chronos (tempo). O problema consiste em encontrar qual a trajetria que uma partcula deve percorrer com o menor tempo possvel sendo conhecidos os pontos de sada e chegada, com velocidade inicial nula, sem atrito e sujeita apenas a ao da gravidade (Bennaton (2001)). medida que foram sendo desenvolvidas as ferramentas matemticas e com o aumento da popularidade das tcnicas computacionais, aumentou tambm a complexidade dos problemas de otimizao possveis de serem considerados. Quando atacamos um problema real em engenharia lidamos com muitas variveis de projeto, vrias restries tecnolgicas e/ou econmicas e, na maioria das vezes, com mltiplos objetivos. Deve ser salientado que a extenso do conceito de timo para o caso multiobjetivo no trivial e, ao contrrio do caso monoobjetivo, onde h apenas um timo global, em problemas multiobjetivos h uma curva contendo solues possveis, denominada curva de Pareto, formada pelas solues no dominadas ou no inferiores do problema. Alm da convergncia de um algoritmo, meta comum nos casos mono e multiobjetivo, uma meta especfica para o caso multiobjetivo a diversidade das solues. Os pontos da Curva de Pareto devem estar bem espaados (diversidade) para facilitar a escolha de uma soluo adequada, pelo responsvel pela tomada de decises. Do ponto de vista prtico, existem alguns problemas que dificultam a identificao de um timo para o problema de otimizao, como por exemplo, multimodalidade das funes
5
objetivos. Uma questo interessante surge quando se deseja encontrar um ponto no espao de projeto com uma alta preciso. Neste caso alguns pontos podem ser ressaltados (Leidemer(2009)): a) Mesmo que o timo verdadeiro seja localizado, talvez nunca possa ser possvel implement-lo na prtica, pois existem incertezas associadas ao processo de construo ou at mesmo por se exigir um alto grau de preciso na fabricao, esta pode ser demasiadamente cara, portanto economicamente invivel; b) A formulao do problema de otimizao inerentemente esttica. A realidade essencialmente dinmica. Neste contexto, o problema pode estar associado flutuao de parmetros ambientais como temperatura, velocidade do vento, umidade ou mesmo pode haver desgaste de alguns componentes. Diante do exposto, os sistemas a serem otimizados podem ser bastante sensveis a pequenas alteraes das variveis de projeto e assim pequenas variaes nas variveis de projeto podem causar enormes variaes dos objetivos (Leidemer (2009)), conforme argumentado anteriormente. Portanto, faz-se necessrio encontrar uma metodologia que produza solues que sejam pouco sensveis a pequenas variaes no projeto. Solues com esta caracterstica so chamadas de robustas e o procedimento para encontrar tais solues denominado Otimizao Robusta. O apelo para a otimizao robusta que suas solues e o desempenho dos resultados (funes objetivos) permaneam relativamente sem mudanas quando expostas a certas condies de incerteza. A Otimizao Robusta tem suas razes na engenharia, sendo diretamente relacionado ao nome G. Taguchi, que considerado o precursor desta rea (Taguchi (1984)). Com o advento de computadores de alta velocidade e devido ao crescimento exponencial da taxa FLOPS (Floating Point Operations Per Second), a otimizao de projetos robustos tem atrado crescente interesse nos ltimos anos. Reflexo disto uma edio da ASME Journal of Mechanical Design, inteiramente devotada a projetos robustos e tambm um artigo de Park et al.(2006) e Beyer; Sendhoff (2007). Este trabalho surge naturalmente como consequncia das atividades de pesquisa na rea de Otimizao de Projetos Mecnicos desenvolvidas na Faculdade de Engenharia Mecnica da UFU. Os trabalhos que possuem maior afinidade com a atual proposta so apresentados a seguir em ordem cronolgica. Saramago (1998) foi a pioneira entre os alunos da FEMEC da rea de otimizao e estudou a otimizao de trajetrias de robs manipuladores.
Assis (1999) estudou tcnicas mono e multiobjetivo aplicadas ao projeto e identificao de parmetros de mquinas rotativas. Butkewitsch (1998) apresentou um estudo, por mtodos clssicos, da otimizao de componentes automotivos. Braga (1998), em sua dissertao, utilizou a heurstica Algoritmos Genticos para resoluo de problemas mono-objetivo em engenharia. Oliveira (2005) realizou um estudo terico de tcnicas, no baseadas no conceito de dominncia, de resoluo de problemas de otimizao multiobjetivo. Santos (2007) estudou sobre o planejamento da trajetria de robs atravs de elementos de dinmica, controle e otimizao. Lima (2007) usou o algoritmo NSGA II (Nondominated Sorting in Genetic Algorithms (Srinivas;Deb, 1994)) para a otimizao multiobjetivo robusta de sistemas mecnicos na presena de amortecimento viscoeltico. Lobato (2008) apresentou na sua tese o desenvolvimento de um algoritmo multiobjetivo baseado na heurstica Evoluo Diferencial e realizou um estudo em aplicaes matemticas e nas engenharias mecnica e qumica. Viana (2008) desenvolveu, em ambiente Matlab, o pacote Simple Optimization Toobox com tcnicas de metamodelagem aplicadas a problemas de otimizao. Borges (2008) usou tcnicas de otimizao robusta no estudo sobre absorvedores dinmicos de vibraes. A presente proposta de trabalho tem por principal objetivo o desenvolvimento de uma ferramenta baseada em populao que seja capaz de produzir solues timas do ponto de vista multiobjetivo e que sejam tambm robustas, isto , imunes a pequenas perturbaes dos objetivos, das variveis de projeto e tambm imunes a violao das restries. 2 Otimizao Multiobjetivo Esta seo tem por finalidade a descrio do Problema de Otimizao Multiobjetivo (POMO) (multicritrios ou otimizao vetorial) (Schaffer (1984); Deb (2001); Babu et al. (2005); Lobato (2008)). Este surge naturalmente em aplicaes reais devido crescente necessidade do mercado na busca de solues que atendam a mais de um objetivo simultaneamente. Estes so inerentemente constitudos por sistemas de equaes algbricas e/ou diferenciais. Quando lidamos com o problema multiobjetivo, fazem-se necessrias algumas observaes: i. Em problemas mono-objetivos o timo um ponto do espao de projetos que minimizam (ou maximizam) a funo objetivo. No POMO, a soluo do problema uma superfcie. Alm disso, geralmente, os objetivos considerados so
conflitantes, isto , a melhora em um objetivo pode acarretar na piora de outro (Deb (2001)). ii. Em problemas mono-objetivos existe o valor timo global. J no POMO, o timo global contm um conjunto de solues que, do ponto de vista matemtico, so igualmente timas e que visam preservar a diversidade de solues, sendo que no possvel dizer que uma soluo melhor que outra. Este conjunto de pontos que formam a soluo do POMO denominado de Curva (Frente) de Pareto. Na literatura, diferentemente no que acontece em problemas mono-objetivo, no h um consenso sobre o conceito de timo para um POMO, o que dificulta a comparao de resultados de um mtodo para outro. A noo de timo para POMO devida a um economista ingls Francis Ysidro Edgeworth (Edgeworth, 1881) e posteriormente aprimorada por outro economista, mas agora italiano, Vilfredo Pareto (Pareto(1986)). A noo de timo segundo Edgeworth-Pareto que um ponto para estar na soluo de um POMO deve satisfazer a condio de que nenhum critrio utilizado pode melhorar a soluo sem piorar pelo menos outro critrio. Hoje em dia o postulado de Edgewort-Pareto mais conhecido na literatura por postulado de Pareto e fornece para o POMO no uma nica soluo, mas uma superfcie (curva) que contm as solues denominadas no dominadas ou no inferiores. No que diz respeito s metodologias para a obteno de solues em POMO, assim como no caso mono-objetivo, os mtodos determinsticos e mtodos heursticos so os empregados. Na figura 2.1 abaixo esto listadas as principais tcnicas determinsticas e heursticas da literatura.
Figura 2.1 Mtodos de Otimizao Clssicos e Heursticos (Reproduzida de Viana, 2008).
Os mtodos determinsticos so mtodos de busca ponto-a-ponto e por isto no possvel obter a soluo de um POMO em apenas uma nica execuo. Alm disso, aplicaes sucessivas de mtodos determinsticos no garantem uma boa aproximao da soluo e nem tampouco a diversidade das solues. Assim, os mtodos heursticos, que trabalham com uma populao de pontos, consistem em metodologias mais apropriadas na resoluo do POMO, pois podem alcanar a soluo em uma nica execuo (Deb, 2001). O pioneiro na implementao de um algoritmo multiobjetivo foi Schaffer (1984), que em sua tese de doutorado, utilizou a heurstica Algoritmos Genticos no contexto multiobjetivo. Aps este trabalho, vrios outros tm sido publicados com o intuito de fornecer novas tcnicas de resoluo do POMO e tambm na aplicao das tcnicas emergentes a problemas nas mais diversas reas do conhecimento. Vrios pesquisadores tm se empenhado na publicao de trabalhos sobre otimizao multiobjetivo, dentre os quais se podem citar: Osyzka (1984) uma referncia clssica quando se trata de otimizao multicritrio. Em sua obra so tratados problemas multiobjetivo aplicados engenharia e com programas na linguagem Fortran. Deb (2001) realiza, em seu livro, um estudo de otimizao multiobjetivo utilizando conceitos de otimizao evolutiva. Coelho (2004) utiliza a otimizao multiobjetivo na otimizao de projetos mecnicos. Fang et al. (2005) realizam um estudo comparativo de mtodos de meta-modelagem para problemas multiobjetivo de resistncia coliso. Lobato (2008) utilizou um algoritmo multiobjetivo envolvendo a heurstica Evoluo Diferencial para a soluo de problemas de projeto de sistemas em engenharia. No contexto multiobjetivo, cabe ressaltar algumas diferenas (Deb (2001)): Em um problema mono-objetivo a meta encontrar uma nica soluo do problema de otimizao. Em um multiobjetivo a meta encontrar um conjunto de pontos que formam a soluo do problema de otimizao multiobjetivo (curva de Pareto), visando preservar a diversidade neste conjunto de pontos; Na otimizao mono-objetivo trabalha-se apenas com o espao de projetos. No caso multiobjetivo trabalha-se simultaneamente com dois espaos: o de projetos e o de objetivos. Manter a diversidade de solues no espao de objetivos fundamental para a qualidade de solues, pois ajuda na tomada de decises pela melhor soluo. Outro detalhe importante que nem sempre possvel garantir que a proximidade de solues no espao de projetos implique na proximidade de solues no espao de objetivos.
9
O problema de minimizao do vetor de objetivos
no significa simplesmente a
minimizao de cada uma das funes objetivo que compem o vetor de objetivos, pois em muitas situaes os objetivos so conflitantes, isto , a melhora em um dos objetivos pode acarretar na piora do valor de outros objetivos (Deb (2001)). Conforme dissemos anteriormente existem duas metas em um algoritmo de otimizao multiobjetivo: convergncia e diversidade. Os autores Deb (2001) e Zitzler et al. (2000) propuseram mtricas para medir a convergncia e diversidade, respectivamente. As mtricas de convergncia so bastante utilizadas para validar cdigos computacionais desenvolvidos, pois medem a distncia entre o conjunto de solues obtidas pelo algoritmo e o conjunto de solues analticas de um problema e as mtricas de diversidade so utilizadas para garantir um bom espalhamento das solues e assim fornecer melhores condies para a escolha de uma soluo particular. 3 Otimizao Robusta Em muitos problemas de otimizao, um ou mais objetivos podem ser sensveis a pequenas variaes das variveis de projeto e/ou parmetros. Por exemplo, observe a figura 3.1 abaixo, onde um caso mono-objetivo com apenas uma varivel considerada. Podemos observar que a soluo tima global muito sensvel a pequenas perturbaes da varivel e que a soluo tima local estvel no que diz respeito s perturbaes da varivel.
2.0 1.9 1.8 1.7 1.6
f( x )
1.5 1.4 1.3 1.2 1.1 1.0 0.9 0.0 0.1 0.2
timo Local
timo Global
0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
Figura 3.1 Soluo Robusta e Soluo Sensvel realizao de perturbaes.
Na prtica, natural que uma soluo de um problema de engenharia possa ser produzida sob tolerncias de fabricao, pois ser muito exigente na preciso das variveis e/ou dos
10
parmetros pode inviabilizar financeiramente ou tecnicamente um projeto. Neste contexto, obter uma metodologia para resolver POMOs que sejam imunes a pequenas variaes das variveis de projeto e dos parmetros se torna indispensvel para muitas situaes reais em engenharia. Um POMO que objetive encontrar tais solues denominado Problema de Otimizao Multiobjetivo Robusto (POMOR). Segundo Paenk et. al (2006) de longe a maioria das atividades de pesquisa em otimizao robusta se trata de problemas mono-objetivo. Tambm corrobora com esta afirmao um dos pesquisadores com atividade reconhecida na rea de otimizao evolucionria multiobjetivo. Deb; Gupta (2006) afirmam que, considerando o que conhecem sobre o tema, no h um estudo sistemtico introduzindo robustez na otimizao multiobjetivo. Para incorporar as incertezas ao problema de otimizao ordinrio, Taguchi (1984) definiu algumas funes denominadas, por ele, de medidas de sinais de rudos. Basicamente estas medidas so realizadas atravs de pequenas perturbaes em torno das variveis de projeto e/ou parmetros e ento se calcula a mdia ou desvio padro dos objetivos aplicados nestas perturbaes. Taguchi (1984) no utilizou nenhum procedimento automatizado para otimizar as funes medidas de sinais de rudo, ao invs disto ele utilizou uma anlise estatstica sobre uma matriz de experimentos para identificar qual era o melhor desempenho da funo objetivo. H tambm uma forma de incorporar incertezas ao problema de otimizao denominada de regularizao robusta. Esta metodologia consiste em considerar o mximo que o objetivo assume sobre as variveis de projeto e/ou parmetros para ento, posteriormente, minimizar o objetivo robustecido. A metodologia de incorporao de incertezas (medidas de robustez) ao problema de otimizao que mais comum na literatura consiste no clculo de integrais sobre os intervalos de variao dos parmetros de incerteza e levam em conta a distribuio estatstica dos parmetros de incerteza. Estas medidas so denominadas medidas de expectncia e de varincia (Deb;Gupta (2006), Jin;Sendhoff (2003), Paenk et al. (2006)). Como afirmam Paenk et al. (2006), estas medidas de robustez no podem ser calculadas analiticamente e alternativamente as medidas podem ser estimadas atravs da amostragem de Monte Carlo (Metropolis; Ulam (1949)). Porm o Mtodo de Monte Carlo padece do mal das dimenses, isto , se a quantidade de variveis de projeto e de parmetros nos objetivos for grande, a estimativa das integrais pode ser demasiadamente demorada e ento se faz necessrio a utilizao de uma tcnica de amostragem mais eficiente no quesito tempo e que fornea uma boa estimativa para a integral. Segundo Paenk
11
et al. (2006) um dos principais esforos de pesquisas em otimizao robusta est em reduzir o esforo computacional na estimativa das medidas de robustez. Uma tcnica que tem sido utilizada como alternativa ao mtodo de Monte Carlo o mtodo denominado Hipercubo Latino (Viana et al. (2010)). Sendo assim um dos principais esforos desta pesquisa em otimizao multiobjetivo robusta est na estimativa das medidas de robustez e tambm no entendimento da influncia exercida pelos fatores de incerteza na obteno da curva de Pareto. 3.1 Medidas de Robustez Segundo Paenk et al. (2006) e Deb;Gupta (2006) as principais medidas de robustez so baseadas no clculo de uma integral sobre os parmetros de incertezas associados s variveis de projeto e aos parmetros dos objetivos. So comumente denominadas de medidas de expectncia, pois em muitos casos atribui-se que os parmetros de incerteza seguem alguma distribuio conhecida. Abaixo ser definida, via expresso matemtica, uma medida de robustez que ser utilizada em simulaes futuras:
onde parmetros .
o produto das distribuies estatsticas de cada um dos
Quando os parmetros de incerteza possuem distribuio uniforme sobre um intervalo simtrico, a equao acima fica da seguinte forma:
onde mdia efetiva (
. A funo definida pela equao (2) tambm denominada de ).
3.1.1 Estimativa para a Medida de Robustez Em vrias situaes reais a funo mdia efetiva, definida pela equao (2), no pode ser calculada analiticamente, sendo ento, necessrio calcular uma estimativa para a integral acima. Existem muitas tcnicas numricas para calcular uma estimativa para a integral dada pela equao (2), como, por exemplo: frmulas de quadratura de Gauss, Regra dos Trapzios e Regras
12
de Simpson. Porm todas carecem de se obter uma amostragem de pontos sobre o domnio de integrao (a integral realizada sobre os parmetros de incerteza). Um fato importante que quanto maior o nmero de amostras melhor a estimativa em qualquer mtodo de aproximao de integrais, sendo que quando o nmero de amostras tende ao infinito o valor estimado tende ao valor real da integral. inerente ao processo de otimizao robusta o aumento do nmero de avaliaes dos objetivos, sendo assim, uma boa tcnica de amostragem no aquela que somente ajuda a estimar a integral definida na equao (2), porm aquela que fornece amostras pequenas e que podem ser utilizadas para estimar a mdia efetiva. Uma tcnica de amostragem bastante popular e ainda muito utilizada o chamado Mtodo de Monte Carlo (Metropolis; Ulam (1949), Bauer (1958)). Porm o Mtodo de Monte Carlo padece do mal das dimenses, isto , se tivermos quisermos particionar o domnio de cada varivel em Carlo amostrar pontos. Se ou variveis e
intervalos, ento o Mtodo de Monte
for grande ento o nmero de amostras ser enorme. Um
mtodo de amostragem, variante do Mtodo de Monte Carlo, que est sendo bastante utilizado o mtodo denominado Hipercubo Latino (Viana (2008); Viana et al. (2010)). Este ltimo no depende do nmero de variveis, mas somente do tamanho da amostra que deseja-se extrair. As figuras 3.1.1 (a) e 3.1.1(b) exemplificam, para um caso com duas variveis, uma mostra do Mtodo de Monte Carlo e outra do Hipercubo Latino.
(a) Mtodo Hipercubo Latino
(b) Mtodo de Monte Carlo
Figura 3.1. Amostragem pelo Mtodo de Monte Carlo e pelo Hipercubo Latino (Reproduzidas de Paenk et al., 2006).
Neste trabalho ser usado o Mtodo Hipercubo Latino para amostrar os pontos e ento estimar a medida de robustez mdia efetiva. 3.2 Definio de Soluo para um Problema Multiobjetivo Robusto Nesta seo ser definida soluo multiobjetivo robusta. Inicialmente note que no faz sentido considerar problemas de otimizao com restries de igualdade, pois pequenas perturbaes nas variveis de projeto e/ou nos parmetros certamente violariam estas desigualdades.
13
Definio 1 Um ponto do espao de projetos
chamado de soluo multiobjetivo robusta se
for uma soluo Pareto tima para o seguinte problema multiobjetivo de minimizao (definido com respeito a uma -vizinhana de um ponto de projeto ): (3) Sujeito a onde as funes (4) a funo mdia efetiva calculada a partir do objetivo original so as mdias efetivas das restries de desigualdade, e ,
so as restries laterais que determinam um limite inferior e superior, respectivamente, para a isima varivel de projeto. Note que se uma soluo multiobjetivo robusta, isto , satisfaz a definio acima, ento menos sensvel a pequenas variaes das variveis de projeto e/ou dos parmetros e tambm se mantm vivel mesmo efetuando pequenas perturbaes nos pontos de projetos e/ou nos parmetros. de se esperar a curva de Pareto para o problema robustecido, isto , para o problema definido pelas equaes (3) e (4) possua piores valores dos objetivos quando comparados aos objetivos originais, porm claro que a curva robusta deve estar prxima curva de Pareto original para aquelas solues que forem pouco sensveis realizao de pequenas perturbaes. A figura 3.2.1 abaixo mostra a comparao da sensibilidade dos objetivos numa pequena vizinhana de duas solues:
Figura 3.2.1 Sensibilidade de duas solues para um POMO (Reproduzido de Deb;Gupta, 2006)
Quando realizada a anlise da sensibilidade de todas solues de Pareto, podemos esperar as seguintes situaes: (a) - A curva de Pareto original totalmente robusta, isto , todos pontos
14
da curva de Pareto so pouco sensveis a pequenas perturbaes e (b) Uma parte dos pontos sobre a curva de Pareto no pertencem curva robusta. A figura 3.2.2 abaixo retrata estas duas situaes:
(a) Curva de Pareto Totalmente Robusta
(b) Curva de Pareto Parcialmente Robusta
Figura 3.2.2 Curva de Pareto Robusta (Reproduzidas de Deb;Gupta, 2006).
4 Algoritmo de Otimizao Baseado em Colnia de Vagalumes Os vagalumes so sem dvida um dos insetos mais fascinantes de toda a natureza. So insetos noturnos da famlia Lampyridae (ordem Coleoptera) e so famosos por sua caracterstica bioluminescente. Habitam principalmente as regies tropicais e temperadas e sua populao composta por mais de 1900 espcies (Encyclopedia Britannica (2009)). Baseado no comportamento destes insetos, Xin-She Yang (Yang (2008)) props, na Universidade de Cambridge, um algoritmo heurstico de otimizao. Segundo Yang (2008), a biologia ainda no possui um conhecimento completo de todas as utilidades que a luminescncia pode trazer aos vagalumes, mas pelo menos trs funes j foram identificadas: i. A luminescncia uma ferramenta de comunicao e de atrao para potenciais parceiros de reproduo; ii. Serve como isca para a atrao de alguma eventual presa; iii. Tambm serve como um mecanismo de defesa, pois um sinal de alerta aos predadores lembrando-os que os vagalumes possuem um sabor amargo. O algoritmo Firefly (Firefly Algorithm - FA) baseado principalmente na primeira caracterstica, isto , na atrao de parceiros para reproduo. Esta caracterstica vista em algumas espcies de vagalumes, onde a taxa de intermitncia e a intensidade de cada flash parte essencial do mecanismo de atrao do sexo oposto para acasalamento. Na maioria dos casos, as fmeas que so atradas pelo brilho emitido pelos machos. Observa-se tambm que quando h
15
uma grande quantidade de vagalumes numa mesma regio, ento h uma sincronizao na emisso dos flashes, que torna evidente uma caracterstica de organizao emergente (Yang (2008)). Mecanismos de comunicao via flashes luminescentes e sua sincronizao tem sido emulados com sucesso e sido aplicados em vrios projetos de Rede Wireless (Leidenfrost; Elmenreich (2008)), Dinmica de Preos de Mercado (Jumadinova; Dasgupta (2008)) e robtica mvel (Krishnanand;Ghose (2006)). Lobato et al. (2011) utilizaram um algoritmo multiobjetivo baseado em Colnia de Vagalumes no estudo do desempenho de hidrociclones usando a metodologia de superfcie de resposta. 4.1 O algoritmo Firefly Para a implementao do algoritmo FA, Yang (2008) definiu trs regras simplificadoras para o delineamento da execuo do algoritmo, so elas: Os vagalumes no possuem sexo, isto qualquer vagalume do enxame poder ser atrado ou atrair; A atratividade de um vagalume diretamente proporcional ao brilho emitido e inversamente proporcional distncia entre os vagalumes (esta regra baseada no comportamento real destes insetos); O brilho emitido determinado em comparao com seu valor na funo objetivo, isto , quanto melhor avaliado maior ser o seu brilho. Para entender o algoritmo FA deve-se compreender como se d a variao da intensidade do brilho percebido pelo vagalume e como formulada a atratividade entre eles. Ainda segundo Yang (2008), a atratividade de um vagalume determinada pela intensidade do brilho emitido por ele, e esta intensidade funo de sua avaliao. Como a atratividade entre dois vagalumes inversamente proporcional distncia entre eles, devemos escolher uma funo decrescente, em relao distncia funo entre os vagalumes. Tem sido amplamente utilizada a seguinte
onde
so parmetros pr-determinados do algoritmo: atratividade mxima (quando ) e coeficiente de absoro, respectivamente.
geralmente
Para explorar eficazmente o espao de projetos, cada vagalume do enxame move-se iterativamente de acordo com dois fatores:
16
i. A atratividade de outros membros do enxame com maior intensidade de luz emitida que varia de acordo com a distncia; ii. Um vetor de passo aleatrio. Assim, na -sima iterao, a movimentao de um vagalume vagalume definida pela seguinte equao: em direo a um melhor
em que, o segundo termo da equao insere o fator de atratividade
e o terceiro termo, regulado
pelo parmetro , regula a insero de certa aleatoriedade no caminho percorrido pelo vagalume e um nmero aleatrio entre 0 e 1.
Tabela 4.1 Pseudocdigo de Implementao do Algoritmo FA Pseudocdigo para o Algoritmo FA Dados de entrada: Dado de sada: = tamanho da populao, e , onde {funo custo} {espao de projeto} {parmetros do algoritmo}
Incio: Para fim Realizar Para faa
faa Para faa Para cada vagalume
encontrar o vagalume
mais atrativo baseado em
Calcular
fim fim At que algum critrio de parada seja satisfeito Fim
17
5 Problemas Testes Problema (1) A curva de Pareto deste problema similar ao caso descrito na figura 3.2.2 (a) acima:
Sujeito a onde
Aqui ser usado e todo valor de
. A soluo de Pareto formada pelos pontos por e, temos que, sobre a soluo temos que .
Ento a curva de Pareto dada pela seguinte relao entre os objetivos: a mdia efetiva definida na equao (2), obtemos:
. Calculando
onde
Problema (2) A curva de Pareto deste problema similar figura 3.2.2(b). Este problema similar ao problema (1), porm com e A fronteira de Pareto idntica a fronteira
do problema (1) e as funes mdias efetivas tambm, lembrando da substituio dos valores dos parmetros acima. Problema (3) Neste problema aparece a figura das curvas de Pareto Local e Global. O problema descrito a seguir.
Sujeito a onde
18
Novamente a Fronteira de Pareto corresponde a fronteira, temos que . Como
. Neste caso, sobre a , a fronteira de Pareto Local e . O grfico da
Global corresponde aos mnimos local e global, respectivamente, da funo funo
o grfico da figura 3.1, e os valores do mnimo local e mnimo global so 1,2 e
0,9853, respectivamente. Ento a relao existente entre os objetivos (Pareto Global), As funes mdias efetivas de cada um dos objetivos e so: e a seguinte: Pareto Local
onde
Existem resultados matemticos que garantem a existncia da integral acima, porm no existe primitiva, expressa em termos de funes conhecidas, para o integrando forma simples da funo objetivo . Assim, apesar da
no possvel calcular, em termos de funes conhecidas, a
mdia efetiva definida pela equao (2), sendo que a mesma deve ser estimada por algum processo de integrao numrica. 6 Resultados da Simulao O objetivo central desta seo testar um algoritmo computacional, feito em ambiente MatLab e que baseado no comportamento social de vagalumes. O algoritmo ser denominado por MOFA (Multiobjective Optimization Firefly Algorithm). Para isto definiremos trs problemas testes com soluo (curva de Pareto) conhecida e cujas mdias efetivas dos objetivos podem ser calculadas analiticamente. Temos, para cada um dos trs casos, a soluo analtica do problema. Ento avaliaremos a questo da convergncia do algoritmo MOFA calculando uma mtrica de convergncia denominada Convergncia Mtrica (Deb, 2001). Para medir a diversidade tambm calculamos uma mtrica de diversidade denominada Diversidade Mtrica (Deb, 2001).
19
A seguir sero apresentadas as frmulas matemticas para cada uma das mtricas que foram utilizadas nas simulaes: Convergncia Mtrica (CM) Esta mtrica calcula a mdia aritmtica das distncias entre o conjunto de solues no dominadas obtidas expressa atravs da frmula (Deb (2001)): e o conjunto de solues analticas.
Onde
a distncia euclidiana (no espao de objetivos) entre a soluo
e a soluo de
mais prxima. Isto
Quanto menor for o valor de CM melhor ser a convergncia do algoritmo. Diversidade Mtrica (DM) Esta uma mtrica proposta por Deb (2001) e tambm serve para medir o espalhamento das solues no conjunto de solues dada por: obtidas pelo algoritmo.
Na frmula acima, fronteira de Pareto entre a soluo distncias.
representam a distncia euclidiana entre as solues extremas da . O nmero e a distncia a mdia destas
e do conjunto de solues no dominadas
e o membro mais prximo da fronteira de Pareto
Os parmetros do algoritmo MOFA so: populao de igual a ; coeficiente de absoro igual a
vagalumes; nmero de geraes ; nmero de
e coeficiente de atratividade igual a
amostras (para estimar a integral) iguais a
. Para o caso nominal, isto , sem robustez so avaliaes em
necessrias 50 so dos objetivos na avaliao da populao inicial e depois so cada uma das MOFA
geraes, como temos dois objetivos, o nmero de avaliaes do algoritmo . Para o caso com robustez o nmero total de avaliaes
em cada gerao deve ser multiplicado pelo nmero de amostras, ento para o caso robusto o nmero de avaliaes . Observamos ento que h um
grande acrscimo nas avaliaes dos objetivos para o problema robusto. Cada um dos trs problemas foram simulados dez vezes e como semente inicial no gerador de nmeros aleatrios do Matlab rand foi utilizado o vetor .
Usamos apenas cinco variveis de projeto e os desvios, para cada varivel, definidos da seguinte
20
forma primeiros problemas e 6.1 Resultados do Problema (1)
, onde vamos variar os valores de
, para os dois
, para o terceiro estudo de caso.
Inicialmente sero apresentados os resultados do problema (1) sem robustez. Em todas simulaes realizadas o algoritmo convergiu para soluo analtica do problema. Na Tabela 5.1.1 so apresentados os resultados das mtricas de convergncia e de diversidade bem como a curva de Pareto analtica e os vagalumes da 250 gerao obtidos pelo algoritmo MOFA.
1,0 0,9 0,8 0,7 0,6
f2
0,5 0,4 0,3 0,2 0,1 0,0 0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 timo de Pareto MOFA
f1
Figura 6.1.1 Resultados do MOFA e Fronteira de Pareto analtica. Problema (1 e 2)
Tabela 6.1.2: CM Convergncia Mtrica e DM Diversidade Mtrica Caso Nominal (1) Mtrica Simulaes 1 2 3 4 5 6 7 8 9 10 0,003 0,003 0,003 0,002 0,004 0,002 0,002 0,003 0,002 0,003 CM 0,855 0,975 0,806 0,828 0,812 0,640 0,938 0,810 0,872 1,021 DM Atravs de uma anlise desta tabela observado que a mtrica CM bem pequena. Esta mtrica mede a distncia entre o conjunto soluo analtica (curva de Pareto original) e a curva de solues no dominadas obtidas pelo algoritmo. Logo o algoritmo MOFA apresenta bons resultados no que diz respeito convergncia neste estudo de caso, isto , em todas simulaes o algoritmo convergiu para a Fronteira de Pareto. Abaixo sero apresentados os resultados obtidos para a verso robusta do problema (1). As curvas robustas para este caso tipificam o que foi descrito na figura 3.2.2(a), onde a curva de
21
Pareto permanece completamente robusta. Como so conhecidas as curvas robustas analticas, podemos calcular a convergncia do algoritmo MOFA via mtrica de convergncia. Abaixo esto os resultados das mtricas para alguns valores de e para cada uma das dez simulaes bem
como os grficos mostrando as curvas robustas tericas e as curvas robustas obtidas pelo algoritmo MOFA.
3,00 2,75 2,50 2,25 2,00 1,75 1,50 1,25 1,00 0,75 0,50 0,25 0,00
=0,01 =0,009 =0,008 =0,007
timo de Pareto (Nominal)

0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0
3,0 2,7 2,4 2,1 1,8 1,5 1,2 0,9 0,6 0,3 0,0
=0,01 =0,009 =0,008 =0,007
f2
f2

0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0
f1
Figura 6.1.3 - (a) Mdia efetiva terica (efeito do parmetro ).
f1
Figura 6.1.3 - (b) Soluo robusta obtida pelo algoritmo MOFA (efeito do parmetro ).
Abaixo apresentada a tabela com os resultados obtidos para as mtricas, para cada uma das dez simulaes e para os valores de descritos na figura acima.
Tabela 6.1.4: CM Convergncia Mtrica e DM Diversidade Mtrica Caso Robusto (1) Mtrica 0,01 0,009 0,008 0,007 CM DM CM DM CM DM CM DM 1 0,003 0,844 0,003 0,791 0,002 0,832 0,002 0,834 2 0,003 0,871 0,002 0,769 0,002 0,879 0,003 0,741 3 0,002 0,868 0,005 0,924 0,003 0,838 0,003 1,056 4 0,002 0,817 0,002 0,950 0,003 0,945 0,005 0,844 Simulaes 5 6 0,004 0,003 0,823 0,828 0,004 0,003 0,964 0,825 0,003 0,001 1,067 0,989 0,003 0,002 0,900 0,654 7 0,002 0,926 0,003 0,921 0,002 0,856 0,003 0,890 8 0,002 0,868 0,003 0,985 0,004 0,972 0,003 0,780 9 0,001 0,741 0,004 0,894 0,003 0,940 0,003 0,896 10 0,003 0,803 0,003 0,956 0,003 0,859 0,003 1,053
Observamos, tanto graficamente quanto na tabela, que o algoritmo MOFA convergiu, para cada valor de , para a curva robusta terica.
22
6.2 Resultados do Problema (2) O problema (2) similar ao problema (1), muda somente o valor do parmetro para que passa de
. Assim os resultados do caso nominal, so bastante parecidos e ser feita apenas a anlise
para o caso robusto. As curvas robustas tipificam o que foi descrito na figura 3.2.2(b), onde apenas uma parte da fronteira de Pareto original permanece robusta. A seguir apresentada a tabela com os resultados das mtricas para cada uma das dez execues do algoritmo bem como grficos mostrando as curvas robustas tericas e as curvas robustas obtidas pelo algoritmo.
2,0 1,8 1,6 1,4 1,2 1,0 0,8 0,6 0,4 0,2 0,0
=0,007 =0,006 =0,005 =0,004
=0,007 =0,006 =0,005 =0,004

0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0
2,0 1,8 1,6 1,4 1,2 1,0 0,8 0,6 0,4 0,2 0,0
f2
f2

0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0
f1
Figura 6.2.1(a) Mdia efetiva terica (efeito do parmetro ).
f1
Figura 6.2.1(b) Soluo robusta obtida pelo algoritmo MOFA (efeito do parmetro ).
A Tabela 6.2.2 apresenta os resultados das mtricas de convergncia e de diversidade para cada uma das dez simulaes. Tabela 6.2.2: CM Convergncia Mtrica e DM Diversidade Mtrica Problema (2) Mtrica Simulaes 1 2 3 4 5 6 7 8 9 10 CM 0,001 0,001 0,001 0,002 0,002 0,002 0,003 0,002 0,002 0,002 0,004 DM 0,849 0,816 0,808 1,038 0,847 0,889 0,814 0,823 0,863 0,982 CM 0,001 0,001 0,001 0,001 0,001 0,001 0,001 0,001 0,001 0,001 0,005 DM 0,755 0,753 0,670 0,928 0,978 0,755 0,859 0,678 0,989 0,788 CM 0,001 0,001 0,001 0,001 0,001 0,002 0,001 0,001 0,001 0,001 0,006 DM 0,718 0,827 0,745 0,733 0,656 0,989 0,744 0,833 0,767 0,677 CM 0,001 0,001 0,001 0,002 0,001 0,001 0,001 0,001 0,001 0,001 0,007 DM 0,726 0,744 0,879 0,989 0,656 0,767 0,894 0,799 0,989 0,748 Neste caso possvel observar claramente que o algoritmo MOFA cumpre fielmente a tarefa de buscar a soluo robusta dado um valor especfico de . Para todos os valores de dados e em
todas as dez execues do algoritmo, pode-se observar graficamente e pelos valores da mtrica CM que o algoritmo converge em todos os casos.
23
6.3 Resultados Problema (3) Neste caso ser feita a anlise do problema nominal e do problema robusto. Aqui aparece a figura da fronteira de Pareto Local. Assim este problema de grande interesse para a validao de uma metodologia, pois pode mostrar que o algoritmo converge para a soluo Global e no para a Local. A figura abaixo mostra as curvas de Pareto Global e Local, bem como os resultados de uma das simulaes do nosso algoritmo.
1,2 1,0 0,8 0,6 0,4 0,2 0,0 0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 timo de Pareto (Global) timo de Pareto (Local) MOFA
f2
f1
Figura 6.3.1 - Resultados do MOFA e Fronteira de Pareto analtica. Problema (3)
A Tabela 6.3.2 apresenta os resultados das mtricas CM e DM para cada uma das simulaes. Tabela 6.3.2: CM Convergncia Mtrica e DM Diversidade Mtrica Problema (3) Mtrica Simulaes 1 2 3 4 5 6 7 8 9 10 0,056 0,009 0,014 0,013 0,021 0,007 0,020 0,009 0,015 0,012 CM 0,423 0,810 1,117 0,660 1,201 0,745 1,190 0,832 1,160 0,970 DM timo Local Global Global Global Global Global Global Global Global Global Pode-se observar nesta tabela que em apenas uma das dez execues o algoritmo no convergiu para a soluo global do problema nominal, caracterizando assim sua eficincia, pois, em geral, os algoritmos tm dificuldade de driblar solues locais. observado tambm que, no caso da convergncia local, os valores tanto da mtrica CM quanto da mtrica de diversidade DM no so satisfatrios quando comparados aos outros valores das mtricas. Neste momento ser realizada a anlise do problema (3) com robustez associada. Abaixo encontra-se a tabela com os valores das mtricas CM e DM para cada uma das dez simulaes e
24
para cada um dos valores de
dados e tambm h um grfico mostrando a convergncia do
algoritmo MOFA para cada um dos valores de .

Local (=0,05) Global (=0,05)
2,0 1,8 1,6 1,4 1,2 1,0 0,8 0,6 0,4 0,2 0,0
Local (=0,04) Global (=0,04)
f2
Local (=0,03) Global (=0,03)
timo Local (Nominal) timo Global (Nominal)
2,0 1,8 1,6 1,4 1,2 1,0 0,8 0,6 0,4 0,2 0,0
Global (=0,05) Global (=0,04)
f2
Global (=0,03)
timo Global (Nominal)
0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0
0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0
f1
Figura 6.3.3(a) Mdia efetiva terica (efeito do parmetro ).
f1
Figura 6.3.3(b) Soluo robusta global obtida pelo algoritmo MOFA (efeito do parmetro ).
Tabela 6.3.4: CM Convergncia Mtrica e DM Diversidade Mtrica Problema (3) Robusto

Mtrica 0,03 0,04 0,05 CM DM
timo
1 0,007 0,772
Global
2 0,006 0,819
Global
3 0,006 0,946
Global
4 0,005 0,901
Global
Simulaes 5 6 0,006 0,006 1,062 0,838

Global Global
7 0,004 1,329
Global
8 0,007 0,703
Global
9 0,005 0,793
Global
10 0,005 0,903
Global
CM DM
timo
0,005 0,905
Global
0,004 0,765
Global
0,006 0,888
Global
0,003 0,876
Global
0,005 0,874
Global
0,004 0,915
Global
0,001 0,875
Global
0,002 0,985
Global
0,004 0,577
Global
0,003 0,751
Global
CM DM
timo
0,003 0,878
Global
0,005 0,951
Global
0,004 0,885
Global
0,005 0,951
Global
0,005 0,889
Global
0,004 0,844
Global
0,005 0,781
Global
0,004 0,998
Global
0,005 0,778
Global
0,003 0,985
Global
Observa-se tanto pelas figuras 6.3.3(a) e 6.3.3(b) quanto pela tabela 6.3.4 que o algoritmo converge, em todos os casos, para as curvas de Pareto globais. Assim o algoritmo mostra, mesmo na existncia de curvas solues locais, que ele converge para a soluo global, isto , para a curva de Pareto do Problema. De forma geral constatado que a metodologia proposta e aplicada aos estudos de caso, com diferentes graus de complexidade, pode ser usada para obter solues robustas multiobjetivos em situaes reais da engenharia. Como proposta futura, sero realizadas aplicaes em outros problemas matemticos com o objetivo de testar a metodologia para o caso de problemas com restries. Por ltimo a metodologia desenvolvida em problemas multiobjetivos de engenharia, tais como; estimao de coeficientes em problemas inversos de transferncia radiativa e em problemas estruturais (vigas).
25
7 Objetivos da Tese Nesta seo sero apresentados os objetivos a serem alcanados com esta proposta de tese. 7.1 Objetivo Geral A presente proposta de trabalho, de carter terico-computacional, tem por principal objetivo o desenvolvimento de uma ferramenta baseada em populao, e que seja capaz de produzir solues timas do ponto de vista multiobjetivo que sejam tambm robustas, isto , imunes a pequenas perturbaes dos objetivos, das variveis de projeto e tambm imunes a violao das restries. 7.2 Objetivos Especficos Conforme foi citado anteriormente a grande maioria atividades de pesquisa em otimizao robusta se concentram no campo mono-objetivo. Na literatura corrente, h sim trabalhos em otimizao robusta multiobjetivo, porm, os autores no visam apresentar uma discusso ampla sobre fatores como: Definio de soluo multiobjetivo robusta; Aps amostrar uma perturbao das variveis de projeto e dos parmetros pelo mtodo do Hipercubo Latino deve-se ter em mente qual a melhor forma de aproximar as integrais que aparecem nas principais medidas de robustez; Influncia das principais medidas de robustez sobre os objetivos originais; Caracterizao do tamanho da robustez induzida a partir das principais medidas de robustez, pois se uma medida de robustez influencia muito no problema original ento pode ser que a perda de qualidade seja muito significativa, inviabilizando assim o projeto; Entendimento da dualidade Robustez versus Otimalidade; Uma hiptese comum que os parmetros de incertezas possuem distribuio normal com mdia zero e varincia conhecida, ento se faz necessrio entender
a influncia do tamanho da varincia sobre a curva soluo de Pareto; Diferenas em supor que os parmetros de incerteza possuem distribuio normal ou uniforme. De acordo com o que foi exposto, tem-se tambm como proposta discutir e analisar de forma minuciosa cada uma das situaes acima.
26
8 Sntese dos principais resultados obtidos at o momento Vamos apresentar a seguir quais foram os principais resultados, planejados no cronograma do plano de tese, que foram obtidos at o momento. Foi realizado de forma bem satisfatria um estudo terico e prtico das principais heursticas que so utilizadas pela comunidade cientfica mundial. Estes estudos foram apresentados de forma oral e atravs de relatrios; Foi obtido excelente entendimento dos principais mtodos clssicos de otimizao (formao geral do doutorando); Foram realizados estudos tericos e prticos e relatrio sobre Caracterizao de POMOs e das principais metodologias de resoluo; Foram realizados estudos tericos e prticos e relatrio sobre as principais estratgias de manipulao de restries; Foi realizado amplo estudo e relatrio sobre caracterizao do POMOR e das principais estratgias de robustecimento; Foi desenvolvido um algoritmo para a resoluo de POMORs denominado MOFA; Foram realizadas simulaes do algoritmo desenvolvido para resoluo de trs problemas matemticos com o intuito de validar o cdigo computacional desenvolvido e tambm para ter uma melhor forma de abordar o problema robusto. 9 Dificuldades Encontradas Abaixo listamos as principais dificuldades encontradas pelo doutorando para o desenvolvimento das etapas listadas no plano de tese aprovado pelo Colegiado do Programa de Ps-Graduao em Engenharia Mecnica da UFU. Devido formao acadmica do doutorando (Bacharel e Mestre em Matemtica) foram encontradas grandes dificuldades na compreenso geral das heursticas estudadas, pois no objeto de estudo dos matemticos; O doutorando tinha uma boa base de otimizao, pois a rea de concentrao de seu mestrado, apesar disto no tinha conhecimento sobre otimizao multiobjetivo e das principais caractersticas de problemas multiobjetivo, como por exemplo, mtodos determinsticos no serem indicados para resoluo de POMOs e sim
27
mtodos baseados em populao. Outro problema enfrentado pelo orientando foi na extenso de alguns conceitos e na formalizao de outros especficos da otimizao multiobjetivo; Apesar da rea de concentrao do meu mestrado ser em otimizao, sempre trabalhei com problemas irrestritos e os simples problemas restritos que trabalhei eram resolvidos atravs de Multiplicadores de Lagrange. Outra dificuldade encontrada foi o entendimento das principais tcnicas de manipulao das restries; Outra dificuldade encontrada a forma de estimar as principais medidas de robustez encontradas na literatura. Inicialmente pensamos no Mtodo de Monte Carlo para a amostragem, porm utilizamos o Hipercubo Latino e para a aproximao da integral devemos definir qual o melhor mtodo, como por exemplo: Regras de Simpson, Trapzios ou alguma outra frmula de quadratura; A maior dificuldade at o momento foi o desenvolvimento da ferramenta computacional para resoluo de POMORs.
10 Etapas Desenvolvidas e Cronograma atualizado Nesta seo, as etapas desenvolvidas bem como as que sero desenvolvidas so apresentadas. Alm disso, apresentado o cronograma de atividades atualizado, com as etapas a serem desenvolvidas, para o desenvolvimento do plano de trabalho de tese aprovado pelo colegiado do curso de Ps-Graduao em Engenharia Mecnica da UFU. 10.1 Etapas Desenvolvidas O projeto de Tese tem natureza terico-computacional, sendo que as seguintes etapas de sua execuo j foram desenvolvidas: A) Entendimento terico e prtico das principais heursticas existentes e/ou daquelas emergentes que esto consolidadas ou surgindo como estratgias eficientes para problemas de otimizao global. B) Caracterizao e tratamento do Problema de Otimizao Multiobjetivo (POMO), levando em considerao a modelagem matemtica em comparao com o caso onde apenas uma varivel de projeto levada em considerao. C) Tratamento das restries em um POMO.
28
D) Caracterizao de um Problema de Otimizao MultiObjetivo Robusto (POMOR) e dos meios de incorporao das incertezas nas funes objetivo (Estratgias de Robustecimento). E) Desenvolvimento de um algoritmo para resoluo de POMOR baseado no comportamento social de insetos (MOFA). F) Aplicao destes algoritmos a problemas matemticos com o intuito de validar os cdigos computacionais desenvolvidos e a forma de abordar os problemas de otimizao robustos. 10.2 Cronograma Atualizado das Etapas a serem desenvolvidas Abaixo sero apresentadas as etapas a serem desenvolvidas bem como uma tabela contendo o cronograma de execuo das etapas finais do plano de tese. Etapas a serem desenvolvidas: A Desenvolvimento e comparao de algoritmos para resoluo de Problemas de Otimizao Multiobjetivos Robustos (POMOR) utilizando mtodos heursticos baseados em estratgias evolutivas (GA e ED) e no comportamento social de insetos (MOFA). Para este fim utilizaremos algoritmos j existentes na literatura como NSGA II (Nondominated Sorting in Genetic Algorithms (Srinivas; Deb (1994)) e MODE (MultiObjective Diferencial Evolution (Lobato (2008)), porm, acrescentaremos um operador que realizar o robustecimento dos objetivos e das restries. B Aplicao destes algoritmos a problemas matemticos com o intuito de validar a os cdigos computacionais desenvolvidos e a forma de abordar os problemas de otimizao robustos. C Aplicao a problemas de engenharia, com a finalidade de consolidar a metodologia proposta neste trabalho. Estas aplicaes se daro em problemas com modelagem conhecida, no demandando assim, a utilizao de mtodos numricos para a modelagem dos mesmos. As aplicaes sero realizadas em problemas estruturais (Vigas), Problemas Inversos (Estimao de Coeficientes em problemas de Transferncia de Calor, de Parmetros Radiativos e Trmicos). D Redao da Tese
29
Tabela 10.2.1 Cronograma Atualizado para a Continuidade do Plano de Tese Trimestre Etapas A B C D 2 X X X X X X X 2013 3 4 1 2014 2
30
Referncias Bibliogrficas ASSIS, E.G. Projeto e Identificao de Parmetros de Mquinas Rotativas. Tese de Doutorado, Universidade Federal de Uberlndia, FEMEC, 1999. BABU, B. V., CHAKOLE, P. G., MUBEEN, J. H. S., Multiobjective differential evolution (mode) for optimization of adiabatic styrene reactor, Chemical Engineering Science, Vol. 60, pp. 4822-4837, 2005. BAUER, W.F., The Monte Carlo Method. Journal of Society for Industrial and Applied Mathematics, Vol. 06, N04, pp. 438-451, 1958. BENNATON J. F., Fermat e o Incio da Histria dos Problemas de Otimizao. www.lps.usp.br/neo/jocelyn/historia_jocelyn.htm - na pgina do Ncleo de otimizao da Universidade Estadual de So Paulo USP, 2001. BEYER, H. G., SENDHOFF, B., Robust Optimization A Comprehensive Survey. Elsevier: Computer Methods in Applied Mechanics and Engineering, Vol. 196. pp. 3190-3218. 2007. BORGES, R. A. Contribuio ao Estudo de Absorvedores Dinmicos de Vibraes NoLineares. Tese de Doutorado, Universidade Federal de Uberlndia, FEMEC, 2008. BRAGA, C. G. O Uso de Algoritmos Genticos para Aplicao em Problemas de Otimizao de Sistemas Mecnicos. Dissertao (Mestrado). Faculdade de Engenharia Mecnica, Universidade Federal de Uberlndia, 1998. BUTKEWITSCH, S. Otimizao de Sistemas Mecnicos: Ferramenta de Engenharia de Concepo. Dissertao (Mestrado). Faculdade de Engenharia Mecnica, Universidade Federal de Uberlndia, Uberlndia-MG., 1998. COELHO, R. F., Multi-Criteria Optimization with Expert Rules for Mechanical Design. Tese de Doutorado. Universit Libre de Bruxelles, Facult ds Sciences Appliques, 2004. DEB, K., Multi-objective optimization using Evolutionary Algorithms. John Wiley & Sons, Inc., 2001. DEB., K., GUPTA, H., Introducing Robustness in Multi-Objective Optimization. Massachusetts Institute of Technology. Evolutionary Computation Computation 14(4). pp. 463-494. 2006. EDGEWORTH, F. Y., Mathematical Physics. First Edition. London, England: P. Keagan, 1881. ENCYCLOPEDIA BRITANNICA, Firefly. In: Encyclopedia Britannica. Ultimate Reference Suite. Chicago: Encyclopedia Britannica (2009).
31
FANG, H., RAIS-ROHANI, M., LUI, Z., HORSTEMEYER, M. F., A Comparative Study of Metamodeling Methods for Multiobjective Crashworthiness Optimization. Computers and Structures, Vol 83, pp. 2121-2136, 2005. FIGUEIREDO, D. G., Problemas de Mximo e Mnimo na Geometria Euclidiana. Revista Matemtica Universitria/SBM, N 9/10, Rio de Janeiro, 1989. JIN, Y., SENDHOFF, B., Trade-Off Between Performance and Robustness: An Evolutionary Multiobjective Approach. Evolutionay Multi-Criterion Optimization. Lecture Notes in Computer Science. Volume 2632/2003. (2003). KRISHNANAND, K., GHOSE, D., Glowworm swarm based optimization algorithm for multimodal functions with collective robotics applications. Multiagent and Grid Systems 2(3), pp.209-222, 2006. LEIDENFROST, R., ELMENREICH, W., Establishing wireless time-triggered communication using a firefly clock synchronization approach. In: Proceedings of the 2008 International Workshop on Intelligent Solutions in Embedded Systems.pp.1-18, 2008. LEIDEMER, M. N., Proposta de uma Metodologia de Otimizao Evolucionria Robusta utilizando a Transformada Unscented Aplicvel a Circuitos de RF/Microondas , Dissertao de Mestrado, Universidade de Braslia, 2009. LIMA, A.M.G. Modelagem e otimizao robusta de sistemas mecnicos em presena de amortecimento viscoelstico. Tese de Doutorado, Universidade Federal de Uberlndia, FEMEC, 2007. LOBATO, F. S., Otimizao multiobjetivo para o projeto de sistemas em engenharia. Tese de Doutorado, Universidade Federal de Uberlndia, FEMEC, 2008. LOBATO, F. S., VIEIRA, L.G.M., BARROZO, M.A. de, Estudo do Desempenho de Hidrociclones Usando a Metodologia de Superfcie de Respostas e Otimizao Multiobjetivo. XIV Encontro de Modelagem Computacional. II Encontro de Cincia e Tecnologia de Materiais. Rio de Janeiro, Brasil. 2011. METROPOLIS, N., ULAM, S. Journal of the American Statistical Association. Vol. 44, N 247, pp. 335-341. 1949. MOREIRA, C. G. T., SALDANHA, N. C., A Desigualdade Isoperimtrica. Revista Matemtica Universitria/SBM, N 15, Rio de Janeiro, 1993.
32
OLIVEIRA, L. S. Uma Contribuio ao Estudo dos Mtodos de Otimizao Multiobjetivo. Dissertao (Mestrado). Faculdade de Engenharia Mecnica, Universidade Federal de Uberlndia, Uberlndia-MG., 2005. OSYCZKA, A., Multicriterion Optimization in Engineering with Fortran Programs . First Edition. England. Ellis Horwood Limited, 1984. PAENK, I., BRANKE, J., JIN, Y., Efficient Search for Robust Solutions by Means of Evolutionary Algorithms and Fitness Approximation. IEEE Transactions on Evolutionary Computation, Vol. 10, no 4. (2006). PARETO, V., Cours DEconomie Politique. First Edition. Frana, Vol. I and II. F. Rouge, Lausanne, 1896. PARK, G. J., LEE, T. H., K. LEE, HWANG, K. H., Robust Design: An Overview. AIAA Journal Vol. 44 (1), pp. 181-191, 2006. SANTOS, R. R. dos, Contribuio ao Planejamento de Trajetria de Robs Atravs de Elementos de Dinmica, Controle e Otimizao. Tese de Doutorado, Universidade Federal de Uberlndia, FEMEC, 2007. SARAMAGO, S. de F. P. Otimizao da Trajetria de Robs Manipuladores na Presena de Obstculos. Tese de Doutorado, Universidade Federal de Uberlndia, FEMEC, 1998. SCHAFFER, J. D., MultiObjective Optimization with Vector Evaluated Genetic Algorithms. Tese de Doutorado.Vanderbilt University, 1984. SRINIVAS, N., DEB, K. Multiobjective Optimization Using Nondominated Sorting in Genetic Algorithms. Evolutionary Computation, v.2, n.3, p.221-248, 1994. TAGUCHI, G., Quality Engineering through Design Optimization. Kraus International Publications. New York, 1984. VIANA, F. A. C. Surrogate Modeling Techniques and Optimization Methods Applied to Design and Identification Problems. Tese de Doutorado. Universidade Federal de Uberlndia. FEMEC, 2008. VIANA, F.A.C., VENTER, G., BALABANOV, V. An Algorithm for Fast Optimal Latin Hypercube Design of Experiments. International Journal for Numerical Methods in Engineering. Vol. 82, Issue 2, pp. 135-156. 2010. ZITZLER, E., DEB, K., THIELE, L. Comparison of multiobjective evolutionary algorithms: Empirical results. Evolutionary Computation Journal, v.8, n.2, pp.125-148, 2000. YANG, X.S., Nature-Inspired Metaheuristic Algorithms. Luniver Press (2008).
33

Apndice A Etapas e Cronograma originais do Plano de Tese A Entendimento terico e prtico das principais heursticas existentes e/ou daquelas emergentes que esto consolidadas ou surgindo como estratgias eficientes para problemas de otimizao global. B Caracterizao e tratamento do Problema de Otimizao Multi-Objetivo (POMO), levando em considerao a modelagem matemtica em comparao com o caso onde apenas uma varivel de projeto levada em considerao. C Tratamento das restries em um POMO. D Caracterizao de um Problema de Otimizao Multi-Objetivo Robusto (POMOR) e dos meios de incorporao das incertezas nas funes objetivo (Estratgias de Robustecimento). E Desenvolvimento e comparao de algoritmos para resoluo de POMOR utilizando mtodos heursticos baseados em estratgias evolutivas (GA e ED) e no comportamento social de insetos (Vagalumes - FireFly). Para este fim utilizaremos algoritmos j existentes na literatura como NSGA II (Nondominated Sorting in Genetic Algorithms (Srinivas;Deb (1994)) e MODE (Multi-Objective Diferencial Evolution (Lobato (2008))), porm, acrescentaremos um operador que realizar o robustecimento dos objetivos e das restries. F Aplicao destes algoritmos a problemas matemticos com o intuito de validar a os cdigos computacionais desenvolvidos e a forma de abordar os problemas de otimizao robustos. G Aplicao a problemas de engenharia, com a finalidade de consolidar a metodologia proposta neste trabalho. Estas aplicaes se daro em problemas com modelagem conhecida, no demandando assim, a utilizao de mtodos numricos para a modelagem dos mesmos. As aplicaes sero realizadas em problemas estruturais (Vigas), Problemas Inversos (Estimao de Coeficientes em problemas de Transferncia de Calor, de Parmetros Radiativos e Trmicos). H Redao da tese.
Cronograma Fsico da Execuo do Plano de Trabalho Tabela Apndice A Cronograma de Execuo das Atividades Propostas no Projeto. Trimestre Etapas A B C D E F G H X 2010 3 X 4 X 1 X X X 2011 2 X X X X X X X X X X X X X X X X X X X X X X X 3 4 1 2012 2 3 4 1 2013 2 3 4 2014 1 2
34

Qualificação 1

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Qualificação 1

Transféré par

Droits d'auteur :

Formats disponibles

Universidade Federal de Uberlndia Coordenao do Programa de Ps Graduao em Engenharia Mecnica

Otimizao Robusta Multiobjetivo para o Projeto de Sistemas de Engenharia

Otimizao Robusta Multiobjetivo para o Projeto de Sistemas de Engenharia

Otimizao Robusta Multiobjetivo para o Projeto de Sistemas de Engenharia

rea de Concentrao: Mecnica dos Slidos e Vibraes.

_______________________________ Orientado: Fernando Ricardo Moreira

____________________________________ Co-Orientador: Prof. Dr. Fran Srgio Lobato

______________________________________ Orientador: Prof. Dr. Valder Steffen Jr.

Otimizao Robusta Multiobjetivo para o Projeto de Sistemas de Engenharia

Otimizao Robusta Multiobjetivo para o Projeto de Sistemas de Engenharia

Otimizao Robusta Multiobjetivo para o Projeto de Sistemas de Engenharia

Otimizao Robusta Multiobjetivo para o Projeto de Sistemas de Engenharia

Otimizao Robusta Multiobjetivo para o Projeto de Sistemas de Engenharia

Otimizao Robusta Multiobjetivo para o Projeto de Sistemas de Engenharia

Figura 2.1 Mtodos de Otimizao Clssicos e Heursticos (Reproduzida de Viana, 2008).

Otimizao Robusta Multiobjetivo para o Projeto de Sistemas de Engenharia

Otimizao Robusta Multiobjetivo para o Projeto de Sistemas de Engenharia

O problema de minimizao do vetor de objetivos

Figura 3.1 Soluo Robusta e Soluo Sensvel realizao de perturbaes.

Otimizao Robusta Multiobjetivo para o Projeto de Sistemas de Engenharia

Otimizao Robusta Multiobjetivo para o Projeto de Sistemas de Engenharia

o produto das distribuies estatsticas de cada um dos

onde mdia efetiva (

. A funo definida pela equao (2) tambm denominada de ).

Otimizao Robusta Multiobjetivo para o Projeto de Sistemas de Engenharia

intervalos, ento o Mtodo de Monte

for grande ento o nmero de amostras ser enorme. Um

(a) Mtodo Hipercubo Latino

(b) Mtodo de Monte Carlo

Otimizao Robusta Multiobjetivo para o Projeto de Sistemas de Engenharia

Definio 1 Um ponto do espao de projetos

chamado de soluo multiobjetivo robusta se

Otimizao Robusta Multiobjetivo para o Projeto de Sistemas de Engenharia

(a) Curva de Pareto Totalmente Robusta

(b) Curva de Pareto Parcialmente Robusta

Figura 3.2.2 Curva de Pareto Robusta (Reproduzidas de Deb;Gupta, 2006).

Otimizao Robusta Multiobjetivo para o Projeto de Sistemas de Engenharia

so parmetros pr-determinados do algoritmo: atratividade mxima (quando ) e coeficiente de absoro, respectivamente.

Otimizao Robusta Multiobjetivo para o Projeto de Sistemas de Engenharia

em que, o segundo termo da equao insere o fator de atratividade

e o terceiro termo, regulado

Incio: Para fim Realizar Para faa

faa Para faa Para cada vagalume

mais atrativo baseado em

fim fim At que algum critrio de parada seja satisfeito Fim

Otimizao Robusta Multiobjetivo para o Projeto de Sistemas de Engenharia

Aqui ser usado e todo valor de

Otimizao Robusta Multiobjetivo para o Projeto de Sistemas de Engenharia

Novamente a Fronteira de Pareto corresponde a fronteira, temos que . Como

. Neste caso, sobre a , a fronteira de Pareto Local e . O grfico da

Global corresponde aos mnimos local e global, respectivamente, da funo funo

o grfico da figura 3.1, e os valores do mnimo local e mnimo global so 1,2 e

no possvel calcular, em termos de funes conhecidas, a

Otimizao Robusta Multiobjetivo para o Projeto de Sistemas de Engenharia

a distncia euclidiana (no espao de objetivos) entre a soluo

mais prxima. Isto

Na frmula acima, fronteira de Pareto entre a soluo distncias.

e do conjunto de solues no dominadas

e o membro mais prximo da fronteira de Pareto

Os parmetros do algoritmo MOFA so: populao de igual a ; coeficiente de absoro igual a

vagalumes; nmero de geraes ; nmero de

e coeficiente de atratividade igual a

amostras (para estimar a integral) iguais a